基于改进VGG16网络的混合批量训练交通标志识别

摘要

针对现有交通标志识别方法存在的识别率低、识别时间长等缺点,文中在卷积神经网络的基础上提出了一种基于VGG16网络模型的改进卷积神经网络模型.对VGG16网络模型的卷积层数量、卷积核和池化层进行修改,增强网络模型的特征提取能力和精简性.通过随机旋转、伸缩、偏移和对比度调整等方法对实验数据集进行数据增强,并通过激活函数、混合批量训练和提前终止正则化方法提高网络模型的识别率.改进后的VGG16网络模型利用德国交通标志数据集中进行测试,结果显示采用该模型的识别率达到98.98％,单张交通标志识别时间只需要0.24 ms.与其他模型相比,该模型在识别率和识别时间方面均具有明显优势.